核PCA特征提取方法及其應(yīng)用研究.pdf

1、基于核的主成分分析(Kernel Principle Component Analysis：KPCA)是目前國際上流行的一種特征提取新方法，它是利用核技巧對經(jīng)典的主成分分析法(Principle Component Analysis)進(jìn)行的一種非線性推廣。與傳統(tǒng)主成分分析法相比，KPCA具有能有效捕捉數(shù)據(jù)的非線性特征、對原始空間中數(shù)據(jù)的分布情況沒有要求等優(yōu)點(diǎn)，因此它在諸多領(lǐng)域的應(yīng)用取得很好的效果。本文研究了KPCA方法，并將其應(yīng)用于工業(yè)

2、圖像檢測及故障診斷領(lǐng)域，取得了良好的效果。
　　 第一，詳細(xì)論述了主成分分析PCA的原理。引入了奇異值分解（SVD）定理解決PCA方法在特征值和特征向量計(jì)算量大的問題。并用人臉圖像驗(yàn)證了方法的正確有效性。
　　 第二，討論了核方法的基本原理以及幾種常用的典型核函數(shù)，并將核方法與PCA方法結(jié)合，闡述了基于核主成分分析(KPCA)的特征提取方法，比較了KPCA與PCA相比的優(yōu)點(diǎn)，指出對其應(yīng)用研究的重要性。
　　 第三

3、，將KPCA方法分別引入到香煙條包端面透明紙圖像的損傷檢測以及航空發(fā)動機(jī)滑油濾圖像的磨損特征提取中。本文通過對比實(shí)驗(yàn)分析，發(fā)現(xiàn)KPCA不僅實(shí)現(xiàn)了降維，而且能取得比PCA更好的識別性能，驗(yàn)證了KPCA方法在圖像特征提取方面的優(yōu)越性。
　　 第四，將KPCA應(yīng)用于轉(zhuǎn)子故障診斷，提出了基于KPCA的轉(zhuǎn)子故障特征提取方法。該方法通過核函數(shù)映射將轉(zhuǎn)子故障的非線性問題轉(zhuǎn)換成高維的線性特征空間，然后對高維空間中的映射數(shù)據(jù)作主元分析，提取其非線